Saturday 5 October 2019

Mdfa forex


Real-Time Signalextraction MDFA e Trading Algorítmico. Presentação sobre o tema Real-Time Signalextraction MDFA e Algorithmic Trading apresentação transcript.1 Real-Time Signalextraction MDFA e Algorithmic Trading.2 Antecedentes Hybrid math econ IDP-ZHAW Projetos com parceiros econ Previsão de custos de saúde Despesas Indicadores macroeconómicos em tempo real EURI Eurostat - Projecto Financeiro MDFA-XT, grande fundo hedge Engineering Telecom, previsões de carga Eclética variedade de aplicações Estudo metodológico comum Es Desenvolvimentos internos M DFA R-package signalextraction on CRAN.3 A Classical Algorithmic Trading Approach Sistema de sincronização SP500 Fechamentos diários MA 200, igualmente ponderado.4 P 5 drawdowns, p 7 sistema de cronometragem, p 10 performance.5 Problema Períodos muito longos com Underperformance sistemático.6 Por que os comerciantes freqüentemente adotam prefere cruzamentos de filtro Características do filtro Porque MDFA Intermezzo-Why-do-Traders-Muitas vezes-Consider-Crossings-of.7 Log-MSCI e MA 45.8 Características do filtro Função de amplitude Qual sinal é extraído Time-shift Qual é o tamanho do delay.9 Sistema de temporização MSCI-Weekly.10 Mais cruzamentos gerais MA 45, preto - MA 22, cruzamento vermelho azul.11 Conclusões As regras de cruzamento são uma maneira desnecessariamente pesada de implementar Filtros de passagem de banda Passo de faixa de regras de cruzamento têm pequenos atrasos de tempo Por que MDFA Design eficiente de banda larga eficiente e flexível Rápido e suave.12 Fundamental Trading SP500.13 USRI MDFA e SP500.14 Desempenho em Logs.15 Tese de Aluno p 19 Performances de Longo Prazo Fundam Trading. 16 Conclusão Damp ou evitar todas as retiradas maciças da recessão efetivamente Ideal para investidores avessos ao risco fundos de pensão Fundamental Trading verdadeiramente fora da amostra Foco em dados de financiamento de macro-dados ignorado NBER Desvantagem insuficientemente ativo Texto Dificuldade para justificar taxas.17 MDFA - XT MSCI BRIC .18 Log-MSCI e MA 45.19 MDFA vs MA 45 dados semanais MDFA azul Faster.20 Cinco Trading Filtros Diferentes Trading Frequencies.22 Filtro Unfrequent a Mid.25 Conclusão Maior negociação fre As taxas estão associadas com o Passo de Banda deslocado para a direita Mais flexível do que os cruzamentos de filtros tradicionais Diminuições mais pequenas do tempo.27 Definição Custos de negociação degenerativos totais de 0 3 por pedido pequeno fundo Apenas longo Sem taxas de juros livres de risco.29 Desempenho Infreqüente a Mid.31 Desempenho Mid to Frequent.33 Conclusões Frequências de negociação mais elevadas estão associadas com redução Leve redução de desempenho USRI seria evitar draw-downs e, em seguida, o desempenho iria melhorar Maior taxa de atividade do mercado Combinação com USRI possível recomendado Filtros estarão disponíveis on-line em tarde Julho.34 Signalextraction em Tempo Real A SEF-Blog Excel-Tutorial.35 Excel-Tutorial em arquivos do SEF-Blog 65-Real-Time-Detection-of-Turning-Points-a-Tutorial-Part-I-Mean-archives 65 - Real-Time-Detecção-de-Turning-Points-a-Tutorial-Part-I-Mean-arquivos 67-Real-Time-Detecção-de-Turning-Points-a-Tutorial-Parte-II-arquivos 67-Real - Time-Detection-of-Turning-Points-a-Tutorial-Part-II.36 Propósitos Yog Um exercícios para se destacar do main-stream máxima verossimilhança mundo Primeiro Blog-entrada como tradicional abordagem econométrica funciona Intuitivamente direto Bom desempenho ótima quadrados médios As pessoas tornaram-se preguiçoso Segundo Blog-Entrada a detecção precoce de pontos de viragem É um exercício fortemente contraintuitivo Gera Aparentemente fortemente mal definidos projetos de filtro Warning Learning Illumination.37 Excel-Tutorial sobre SEF-Blog.38 Signalextraction em tempo real 1 Econometria tradicional.39 Tarefa Extrair o ciclo.40 Processo de abordagem econométrica padrão Identificar um modelo de séries temporais ARIMA espaço de estado Estender a série Por previsões ideais Aplicar o filtro simétrico na série de tempo estendida X-12-ARIMA, TRAMO, STAMP, RS Reivindicação Filtro unilateral é o sentido médio-quadrado ideal Suposição DGP modelo verdadeiro.42 Filtro baseado em modelo em tempo real.43 Real - Time Signalextraction 2 Exemplo de Excel Replicação da Abordagem Baseada em Modelos.44 Parâmetros ARMA 2,2-ARMA FILTRO 2,2 - Filtro não modelo.45 A Aparentemente Vir Um projeto aparentemente virtuoso Correlação de pico Correlação entre a estimativa em tempo real e o ciclo em função do atraso de tempo k.48 Sinal e Estimativa Estimativa Filtro modificado à mão.49 Tempo real Signalextraction 3 Excel Exemplo Turning Point Revelation.50 Parâmetros ARMA 2,2 - FILTER Aparentemente Misspecified Design ARMA 2,2 - Filtro não model.51 A aparentemente Misspecified Design Amplitude.52 A aparentemente Misspecified Design Time Shift.53 A aparentemente Misspecified Design Peak - Correlações.54 Um Projeto aparentemente Misspecified Filtrou Série e Signal.55 Comparação Aparentemente Virtuous vs aparentemente Misspecified.57 Conclusões Design aparentemente misspecified é mais rápido Smoother menos falso TP s ou alarmes Não médio-quadrado ótima Muito melhor em uma perspectiva TP.58 De Excel Para MDFA Tweak filtro parâmetros à mão no Excel Tutorial Deficiências do exemplo Unrealistically exercício de simulação artificial simples Na prática mais complexo incômodos E ou sinais Incluir informações de mais de uma estrutura multivariada de séries temporais Desejo um critério de otimização formal Bem-vindo ao DFA e MDFA.59 DFA Direct Filter Approach Mean-Square.60 DFA Direct Filter Approach Estimativa da idéia calcula o erro médio do filtro quadrado.61 Critério de Otimização I 0 Minimizar uma estimativa uniformemente superconsistente de uma estimativa uniformemente eficiente do erro médio-quadrado do filtro A Eficiência Personalizada entra explicitamente no Desenho do Critério de Otimização.62 Você Dizer e ou O Periodograma Médio O Periodograma é um exemplo típico de fraqueza estatística Inconsistente estimativa Da densidade espectral Suavização paramétrica ou não paramétrica Periodograma tem maravilhosas propriedades estatísticas Suficiência Larry Brethorst Pode-se derivar resultados de eficiência formal agradável em tempo real signalextraction Trabalhando em uma série de novas entradas de blog sobre o tema para reabilitar em certa medida - o periodograma.63 Performances Eficiência de Dados Univariados do Levantamento de Negócios do DFA KOF, FED, 2004,2005 X-12-ARIMA, Tramo Assenta ganho de MSE.30 US - e Euro-PIB 2008 CF pontos de viragem antecipados por 1-2 trimestres ESI 2006 Dainties TP s descoberto 2-3 meses antes.64 Performances Eficiência pelo Confiança no Periodograma Filtros TP ganhou NN3 2007 e NN5 2008 competições de previsão.60 participantes IIF e University of Lancaster Mensal Dados Macro e Financeiros 111 séries cronológicas e dados financeiros diários 111 série de tempo Superado vencedor e vice-campeão de prestígio M3, X-12-ARIMA, Tramo, Forecast-Pro, Autobox, Suavização exponencial Simple, Holt, Damped, Redes neurais, Inteligência artificial.65 Pontos de Torneamento do Filtro Directo DFA TP.1 enfatizam o atraso na banda de passagem 1 melhor nível de filtro classe imagelink uk-texto-grande uk-margem-pequeno-esquerdo uk-margem-pequeno-direito 66 Controlando o Time Delay Customization 1 enfatizar o atraso na passagem 1 melhor nível de filtro 1 enfatizar o tempo de atraso Na faixa de passagem 1 melhor filtro de nível título Controllin G o Time Delay Customization 1 enfatiza o atraso de tempo no filtro de nível 1 da melhor faixa de passagem. 1 Personalização Controle do tempo de atraso e suavidade Mais forte Amortecimento do ruído de alta freqüência na banda de parada Menor tempo de atraso na banda de passagem W é monotônico aumentando e 1 1 título Personalização Controle do tempo de atraso e suavidade Maior amortecimento do ruído de alta freqüência na banda de parada Menor atraso na banda de passagem W É aumento monotônico e 1,68 Amplitude DFA filtro TP azul vs filtro de nível virtuoso KOF - Barômetro.69 Atraso filtro TP azul vs parecem Filtro de nível virtuoso KOF-Barómetro.70 TP-Detection mais suave e mais rápido Pobre Performances Square-Square.72 Real - Time Filtro Multivariável Filtro Directo Approach.73 Restritas de Cointegração do Filtro em Tempo Real Classificação 1.74 Teorema de Eficiência 4 1, Wildi2008, Wildi Sturm2008 O termo de erro e T é o menor possível uniformemente Eficiência Uniforme Customização.75 Optimal E Fficient Critério sob Cointegration Rank 1 Filter Restricções são satisfeitas.76 Performances MDFA Intervalo de saída US - e Euro-PIB 2008 CF e multivariável CF pontos de viragem antecipados por 1-2 trimestres USRI Superou Markov Chauvet, Chauvet Piger, Modelos de fatores dinâmicos CFNAI, modelos de espaço estatal ADS, Hodrick - Prescott OCDE-CLI, Christiano-Fitzgerald Blog SEF MDFA-XT EURI.77 AVISO ESTA NÃO É UMA ABORDAGEM PUSH-THE-BUTTON Piloto de Fórmula 1 pode ser rápido Ferrari e confiável Mercedes, mas você Tem que ajustá-lo cuidadosamente Ferrades Mercearri Filtro de design ZPC Filtro restrições enfatizam a freqüência zero Entender a inteligência de interpretação 2008-Livro Feliz para fornecer apoio dado incentivos financeiros.79 Ilustre questões metodológicas, confiando em projetos do mundo real com os parceiros econômicos em tempo real US Recession Indicator Experimental Trader para MSCI Emerging Markets Filters on-line no final de julho Extração de Sinal Previsão Site Livros, Artigos, Software. High-Frequency Financia L Negociação em FOREX com MDFA e R Um exemplo com o Yen japonês. Esta última entrada de Chris é particular no sentido de que ele se baseia no meu pacote open source MDFA em vez de iMetrica para gerar sinais de negociação, veja 1 Portanto, os resultados são Reproduzível Chris fez um grande esforço de replicação, veja below. Wednesday 20 Eu adicionei o código R como modificado por Chris, a fim de prosseguir para replication. What segue é e-mail Chris, cortado e colado a partir do meu servidor. Então eu acabei de concluir o muito aguardado Intro tutorial sobre como construir sinais de negociação usando MDFA e R para dados de alta freqüência Não há muitos segredos para se esconder aqui, como o que eu fiz em R com seu código é basicamente a mesma rotina que tomo para construir meus sinais de negociação no iMetrica Exceto que eu posso fazer coisas muito muito mais rápido no último e ok, há apenas alguns pequenos molhos secretos que eu estou usando e ainda não estão dispostos a vazar até que eu sou empregado Mas, tanto quanto este exemplo com o iene vai, Tudo deve ser reproduzível em Home usando uma versão ligeiramente modificada do seu código Aqui está o artigo 1. Um desafio que eu enfrentei na construção destes exemplos veio de compará-los com os meus resultados que eu entro no iMetrica Infelizmente, no início os resultados não eram os mesmos Depois de ficar um pouco frustrado , Eu tomei o esforço meticuloso de descobrir por que meu MDFA rotinas em C são diferentes do seu em R Mine são codificados de forma muito mais otimizado e eficiente para alcançar a velocidade mais rápida possível graças a uma apofenia rápida otimizando pacote para montar matrizes e resolver Para os coeficientes No entanto, os resultados finais devem ser ainda equivalentes Depois de um dia de navegação através de ambos ou o nosso MDFA implementações, eu descobri por que eles não são equivalentes e eu mudei-os em seu código Aqui estão as diferenças que me lembro da minha implementação e O seu a partir de sua liberação de novembro o DFTs Por algum motivo, na freqüência zero, você don t usar a média dos dados Você acabou de definir para zero Não tenho certeza se Você deixou isso de fora em acidente ou de propósito, mas eu uso a média Também, eu dividir os valores de DFT pela constante pi n onde n são o número de observações em séries de tempo. Na definição do parâmetro decay1, você don t parecem Para usar o mapeamento de função tan eu fiz. A maior diferença está na definição da função de suavização definida pelo expweight Em primeiro lugar, você divide expweight por 2, eu divido por 10 Não é um grande negócio O grande negócio é esta minha definição do deslocado poder Função é uma função do valor de freqüência, assim, de 0 até 3 14 Yours é uma função da localização do índice de valor de freqüência, entre 0 e K Isso faz uma enorme diferença Eu prefiro definir a função de potência em relação ao valor de freqüência e Não o índice. Após eu ter mudado estes os resultados foram praticamente os mesmos, mas não exato Ao olhar para a matriz final em resolver Ax b para os coeficientes após a aplicação de regularização e personalização, parece que os valores dentro da matriz A estão fora de uma Fator de cerca de 10 Minha intuição é que o complexo exp funções em R e C são computados ligeiramente diferente melhor pior precisão, eu não sei Então eu não tenho certeza se isso é algo que nunca vamos ser capazes de resolver Mas eu não estou preocupado, Como os resultados finais estão tão perto De fato, não afetou nenhum dos comércios em meus exemplos que eu mostro, eles eram os mesmos no iMetrica E isso é o mais importante. De qualquer maneira, eu posso enviar a minha versão do seu código se você Quer, para que as pessoas podem baixá-lo para experimentar os exemplos Ou você pode considerar essas mudanças e torná-los permanentes em futuras versões do MDFA Deixe-me saber e desfrutar do artigo. Você trabalha muito duro, chapa velha Seu cabelo foi R-color R-tecelagem e R-escovação vem à mente também By the way, a consistência é medida o inverso iMetrica deve ser capaz de replicar I-MDFA que é a referência. My MDFA-código como modificado por Chris ver acima comments. DFT r Eu estou sempre trabalhando com a série centrada, portanto, o DFT na freqüência zero é zero ele s pr Oporcional à média Chris não parece trabalhar com séries centradas seu DFT é diferente de zero em freq zero. I-MDFAnew r Parece que a peso-amplitude weightweight foi alterado e eu acho que o termo lambda-decaimento foi modificado também . Note que eu não modifico minha versão mais recente do I-MDFA as modificações acima são úteis se você quiser replicar os resultados de Chris, mas eu fico pela minha versão A fim de executar a replicação você terá que exigir os dados dele. Deixe uma resposta Cancelar Resposta. Figura 1 Observações na amostra 1-250 e desempenho fora da amostra do sinal de negociação construído neste tutorial usando MDFA Topo O preço de log do Yen FXY em intervalos de 15 minutos e os comércios gerados pelo sinal de negociação aqui preto Line é uma compra longa, azul é vender posição curta Bottom Os retornos acumulados em dinheiro gerado pela negociação, em percentagem ganhou ou lost. In meu artigo anterior sobre a alta freqüência de negociação na iMetrica no FOREX GLOBEX eu introduziu alguns robusto extração de sinal Estratégias na iMetrica usando a abordagem de filtro direto multidimensional MDFA para gerar sinais de alto desempenho para negociação no mercado de câmbio e futuros Neste artigo tomo uma breve licença de ausência do meu mundo de desenvolvimento de sinais de negociação financeira no iMetrica e migrar para Uma linguagem popular usada em finanças devido à sua exuberante variedade de pacotes, gerenciamento rápido de dados e manipulação de gráficos e, claro, o fato de que é livre como em fala e cerveja em praticamente qualquer plataforma de computação no mundo. Intro tutorial sobre o uso de R para alta freqüência de negociação no mercado FOREX usando o pacote R para MDFA oferecido pelo Herr Doktor Marc Wildi von Berna e algumas estratégias que eu desenvolvi para gerar sinais de negociação financeiramente robusto Para este tutorial, considero o segundo exemplo Dado em meu artigo precedente onde eu projetei um sinal negociando para 15-minutos log-retorna do Yen japonês de abertura do sino ao fechamento do mercado EST Este presen Os desafios ligeiramente novos do que antes, como as variações de salto perto de aberto são muito maiores do que aqueles gerados por retornos horários ou diários Mas, como eu demonstrei, essas variações maiores no preço próximo ao aberto não apresentou problemas para o MDFA Na verdade, Ele explorou esses saltos e obteve grandes lucros ao prever a direção do salto. A Figura 1 no topo deste artigo mostra as observações na amostra 1-250 e as observações fora da amostra 251 desempenho para a frente do filtro que eu estarei construindo A primeira parte deste tutorial. Throughout este tutorial, eu tento replicar esses resultados que eu construí no iMetrica e expandi-los um pouco usando a linguagem R ea implementação do MDFA disponível aqui Os dados que consideramos são de 15 minutos Log-retorna do Yen de 4 de janeiro a 17 de janeiro e eu os tenho salvo como um arquivo dado por ldfxyinsamp Eu tenho uma série explicativa adicional incorporado no arquivo que eu estou usando para prever o preço do iene Além disso, eu também O estará usando pricefxyinsamp que é o preço de registro de Yen, usado computar o desempenho compra vende do sinal negociando O ldfxyinsamp será usado como os dados da amostra para construir o sinal de filtro e de troca para FXY Para obter estes dados assim que você Pode executar esses exemplos em casa, e-mail e eu vou enviar-lhe todos os arquivos necessários os dados da amostra e fora da amostra em um arquivo Tomando um rápido olhar para os dados ldfxyinsamp, vemos log-retorna do iene em A cada 15 minutos a partir da zona horária aberta do mercado UTC Os dados de destino Yen está na primeira coluna juntamente com as duas séries explicativas iene e outro activo co-integrado com o movimento da cabeça de iene ldfxyinsamp, 1, 2, 3 2017-01-04 13 30 00 0 000000e 00 0 000000e 00 0 0000000000 2017-01-04 13 45 00 4 763412e-03 4 763412e-03 0 0033465833 2017-01-04 14 00 00 -8 966599e-05 -8 966599e-05 0 0040635638 2017- 01-04 14 15 00 2 597055e-03 2 597055e-03 -0 0008322064 2017-01-04 14 30 00 -7 157556e-04 -7 157556e-04 0 0020792190 2017-01-04 1 4 45 00 -4 476075e-04 -4 476075e-04 -0 0014685198.Movendo, para começar a construir o primeiro sinal de negociação para o iene, começamos por carregar os dados em nosso ambiente R, definir alguns parâmetros iniciais para a função MDFA Chamada e, em seguida, calcular o DFTs e periodograma para o Yen. Como eu ve mencionado em meus artigos anteriores, a minha estratégia passo a passo para a construção de sinais de negociação sempre começam por uma rápida análise do periodograma do activo a ser negociado em Holding the Chave para fornecer a introspecção nas características de como o recurso comércios, o periodogram é uma ferramenta essencial para navegar como o extrator é escolhido Aqui, eu olho para os picos spectral principais que correspondem no domínio do tempo a como e onde meu sinal desencadeará a compra vende Trades A Figura 2 mostra o periodograma dos log-returns de 15 minutos do Yen japonês durante o período de amostra de 4 de janeiro a 17 de janeiro de 2017 As setas apontam para os principais picos espectrais que eu procuro e fornece um guia para como eu W Mal definir minha função As linhas pretas pontilhadas indicam os dois pontos de corte de freqüência que vou considerar neste exemplo, o primeiro ser eo segundo em Observe que ambos os pontos de corte são definidos diretamente após um pico espectral, algo que eu recomendo altamente Na negociação de alta freqüência No FOREX usando MDFA, como veremos, o truque é procurar o pico espectral que explica a variação de fechar a abrir no preço da moeda estrangeira Queremos tirar proveito deste pico espectral como este é o lugar Os grandes ganhos em troca de moeda estrangeira usando MDFA ocorrerá. Figura 2 Periodograma de FXY Yen japonês, juntamente com picos espectrais e duas freqüências diferentes cutoffs. In nosso primeiro exemplo, consideramos a maior freqüência como o corte para, definindo-o para a linha mais à direita Na figura do periodograma I, então, inicialmente definir os parâmetros de timeliness e suavidade, e expweight para 0, juntamente com a definição de todos os parâmetros de regularização para 0 também. Isso vai me dar um barômetro para Onde e quanto ajustar os parâmetros do filtro Ao selecionar o comprimento do filtro, meus estudos empíricos sobre numerosas experiências na construção de sinais de negociação usando iMetrica demonstraram que uma boa escolha está em qualquer lugar entre 1 4 e 1 5 do comprimento total na amostra do Dados de séries temporais Naturalmente, o comprimento depende da frequência das observações dos dados, isto é, 15 minutos, por hora, por dia, etc., mas em geral é muito provável que nunca mais que seja maior do que o tamanho da amostra. Pode tornar-se demasiado complicado para lidar com eficácia Neste exemplo, o comprimento total da amostra é 335 e, portanto, eu definir que eu fico para o restante deste tutorial Em qualquer caso, o comprimento do filtro não é o parâmetro mais crucial para Considere na construção de bons sinais de negociação Para uma boa seleção robusta do par de parâmetros de filtro com séries explicativas apropriadas, os resultados do sinal de negociação em comparação com, digamos, dificilmente diferem Se eles Fazer, então a parametrização não é suficientemente robusta. Depois de carregar os dados de retorno de log na amostra juntamente com o preço de log correspondente do iene para computar o desempenho de negociação, nós prosseguimos em R para definir configurações de filtro iniciais para a rotina MDFA E depois calcular o filtro usando a função IMDFAcomp Isso retorna os coeficientes de retenção de objetos imdfa, funções de resposta de freqüência e estatísticas de filtro, juntamente com o sinal produzido para cada série explicativa. Combinamos esses sinais para obter o sinal de negociação final em amostra Todos Isto é tudo feito em R como segue. As funções de resposta de freqüência resultantes do filtro e os coeficientes são plotadas na figura abaixo. Figura 3 As funções de resposta de freqüência do topo de filtro e os coeficientes de filtro abaixo. Observe a abundância de ruído ainda presente Passou a frequência de corte Isto é atenuado pelo aumento do parâmetro de suavidade de expweight Os coeficientes para cada série explicativa mostram alguns c No entanto, a suavidade e decadência dos coeficientes deixa muito a desejar. Vamos corrigir isso através da introdução de parâmetros de regularização. As parcelas do sinal de negociação na amostra eo desempenho na amostra do sinal são mostrados em As duas figuras abaixo Observe que o sinal de negociação se comporta muito bem na amostra No entanto, olha pode ser enganar Este desempenho estelar é devido, em grande parte, a um fenômeno de filtragem chamado overfitting Pode-se deduzir que overfitting é o culpado aqui simplesmente olhando para o nonsmoothness Dos coeficientes juntamente com o número de graus de liberdade congelados, que neste exemplo é aproximadamente 174 de 174, muito alto Nós gostaríamos de obter este número em cerca de metade da quantidade total de graus de liberdade número de séries explicativas x L. Figura 4 O sinal de negociação e os dados de retorno de log do Yen. O desempenho na amostra deste filtro demonstra o tipo de resultados que gostaríamos de ver af Mas agora vem para os efeitos sóbrios do overfitting Aplicamos esses coeficientes de filtro a 200 observações de 15 minutos do iene e as séries explicativas de 18 de janeiro a 1 de fevereiro de 2017 e comparar com as características em amostra Para fazer isso em R, primeiro carregamos os dados fora da amostra no ambiente R e, em seguida, aplicamos o filtro aos dados fora da amostra que eu defini como xout. O gráfico na Figura 5 mostra o sinal de negociação fora da amostra Observe que o sinal não é quase tão suave quanto na amostra. Overshooting dos dados em algumas áreas também está obviamente presente. Embora as características de overfitting fora da amostra do sinal não sejam horrivelmente suspeitas, eu não confiaria neste filtro para Produzem retornos estelares no longo prazo. Figura 5 Filtro aplicado a 200 observações de 15 minutos de Yen fora de amostra para produzir sinal de negociação mostrado em azul. Após a análise anterior da solução de quadrado médio sem customização ou regularização, nós Agora proceder a limpar o problema de overfitting que era aparente nos coeficientes juntamente com mollifying o ruído nas freqüências de banda de parada após a fim de escolher os parâmetros para alisamento e regularização, uma abordagem é primeiro aplicar o parâmetro de suavidade em primeiro lugar, Geralmente suavizar os coeficientes enquanto agindo como um pré-regularizador e, em seguida, avançar para selecionar os controles de regularização apropriados Ao olhar para os coeficientes da Figura 3, podemos ver que uma boa quantidade de alisamento é necessário, com apenas um ligeiro toque de decaimento Para selecionar estes Dois parâmetros em R, uma opção é usar o otimizador Troikaner encontrado aqui para encontrar uma combinação adequada Eu tenho uma abordagem algorítmica segredo molho Eu desenvolvi para iMetrica para escolher combinações óptimas de parâmetros dado um extrator e um indicador de desempenho, No GNU C e pesado para usar, então eu normalmente prefiro a estratégia discutida neste tutorial Neste exemplo, eu bega N, definindo o lambdasmooth para 5 e a decadência para 1, 1 juntamente com um parâmetro de suavidade de expweight definido para 8 5 Depois de ver os coeficientes, ainda não era bastante suavidade, então eu continuei a adicionar mais finalmente atingindo 63, o que fez o truque Eu escolhi então lambda para equilibrar os efeitos do alisamento expweight lambda é sempre o último ajuste tweaking parameter. Figure 6 mostra a função de resposta de freqüência resultante para ambas as séries explicativas Yen em vermelho Note que o maior pico espectral encontrado diretamente antes da freqüência de corte em é Sendo enfatizado e valor ligeiramente atenuado perto de 8 em vez de 1 0 Os outros picos espectrais abaixo também estão presentes Para os coeficientes, apenas suficiente suavização e decaimento foi aplicado para manter o lag, cíclica e correlacionada estrutura dos coeficientes intactos, mas agora eles olham Muito mais agradável na sua forma suavizada O número de graus de liberdade congelados foi reduzido para aproximadamente 102. Figura 6 As funções de resposta em frequência eo coeficiente Os coeficientes suavizados com ligeira decaimento no final do fundo O número de graus de liberdade congelados é de aproximadamente 102 em 172. Além de um grau de liberdade congelado melhorado e nenhum estrago aparente de sobreajuste, nós aplicamos isso Filtro fora da amostra para as 200 observações fora da amostra, a fim de verificar a melhoria na estrutura dos coeficientes de filtro mostrado abaixo na Figura 7 Observe a tremenda melhoria nas propriedades do sinal de negociação em comparação com a Figura 5 A superação Dos dados tenha sido eliminada ea suavidade geral do sinal tenha melhorado significativamente Isto é devido ao fato de que nós er erradicated a presença de overfitting. Figure 7 Out-of-sample trading sinal com regularização. Com todas as indicações de um filtro dotado Com exatamente as características que nós necessitamos para a robustez, nós aplicamos agora o sinal de troca ambos na amostra e fora da amostra para ativar os comércios da venda da compra E ver o desempenho da conta de negociação em valor de dinheiro Quando o sinal cruza abaixo de zero, nós vendemos entrar posição curta e quando o sinal sobe acima de zero, nós compra entrar posição longa. O top plot da Figura 8 é o preço de log do iene Para os intervalos de 15 minutos e as linhas pontilhadas representam exatamente onde o sinal de negociação gerou negociações cruzando zero As linhas pontilhadas pretas representam uma posição comprada comprada e as linhas azuis indicam uma posição vendida e curta Observe que o sinal previu todos os fechar-para-abrir Salta para o iene em parte graças à série explicativa Isto é exatamente o que nós estaremos esforçando-se para quando nós adicionamos a regularização ea personalização ao filtro A conta de dinheiro dos comércios sobre o período da injeção é mostrada abaixo, onde os custos de transação foram ajustados Em 05 por cento Na amostra, o sinal ganhou cerca de 6 por cento em 9 dias de negociação e um 76 por cento taxa de sucesso de negociação. Figura 8 Em amostra de desempenho do novo filtro e os comércios que são generated. N Ow para o teste final para ver o quão bem o filtro executa na produção de um sinal de negociação vencedor, aplicamos o filtro para a 200 15 minutos de observação fora de amostragem do iene e as séries explicativas de 18 de janeiro a 01 de fevereiro e fazer Com base no cruzamento de zero Os resultados são mostrados abaixo na Figura 9 As linhas pretas representam as compras e linhas azuis as vendas shorts Observe que o filtro ainda é capaz de prever os saltos de perto para abrir, mesmo fora de amostra graças ao Regularização O filtro sucumbe a apenas três minúsculas perdas em menos de 08 por cento cada entre as observações 160 e 180 e uma pequena perda no início, com uma taxa de sucesso de comércio fora da amostra atingindo 82 por cento e um ROI de pouco mais de 4 por cento sobre O intervalo de 9 dias. Figura 9 Desempenho fora da amostra do filtro regularizado em 200 retornos de 15 minutos fora de amostra do iene O filtro obteve ROI de 4% sobre as 200 observações e um sucesso comercial de 82% resultados Alcançado no iMetrica usando os mesmos ajustes de parâmetros MDFA Na Figura 10, tanto o desempenho dentro da amostra como fora da amostra são mostrados. O desempenho é quase idêntico. Figura 10 Desempenho da amostra e fora da amostra do filtro Yen em IMetrica Quase idêntico ao desempenho obtido em R. Now tomamos uma facada na produção de outro filtro de negociação para o iene, só que desta vez queremos identificar apenas as freqüências mais baixas para gerar um sinal de negociação que negocia menos frequentemente, só procurando os ciclos maiores Como Com o desempenho do filtro anterior, nós ainda desejamos alvejar as freqüências que podem ser responsáveis ​​para as grandes variações de close-to-open no preço do iene Para fazer isto, nós selecionamos nosso ponto de corte para ser que manterá eficazmente os três maiores Picos espectrais intactos na faixa de baixa passagem de. Para este novo filtro, manter as coisas simples, continuando a usar os mesmos parâmetros de regularização escolhidos no filtro anterior, como eles pareciam produzir bons resultados fora da amostra T Ele e os parâmetros de personalização de expweight, no entanto, precisam ser ajustados para considerar os novos requisitos de supressão de ruído na banda de interrupção e as propriedades de fase na faixa de passagem menor Assim, aumento o parâmetro de suavização e diminui o parâmetro de tempo que afeta somente a faixa de passagem para levar em conta essa alteração As novas funções de resposta de freqüência e coeficientes de filtro para este projeto de lowpass menor são mostradas abaixo na Figura 11 Observe que o segundo pico espectral é contabilizado e apenas ligeiramente atenuado sob as novas mudanças Os coeficientes ainda têm a suavidade e decadência visíveis nos maiores retornos. Figura 11 Funções de resposta de freqüência dos dois filtros e seus coeficientes correspondentes. Para testar a eficácia deste novo design de freqüência de negociação menor, aplicamos os coeficientes de filtro para as 200 observações fora de amostragem dos logs de 15 minutos de Yen. O desempenho é mostrado abaixo na Figura 12 Neste filtro, vemos claramente que o filtro sti Ll consegue prever corretamente os grandes saltos de close-to-open no preço do iene Apenas três perdas totais são observadas durante o período de 9 dias O desempenho global não é tão atraente como o projeto de filtro anterior como menos quantidade de comércios são feitos, Com cerca de 2 por cento de ROI e 76 por cento de taxa de sucesso comercial. No entanto, este projeto poderia caber as prioridades para um comerciante muito mais sensível aos custos de transação. Figura 12 Desempenho fora da amostragem do filtro com menor cutoff. Verificação e validação cruzada é Importante, assim como o homem mais interessante do mundo irá dizer-lhe. O ponto deste tutorial foi mostrar alguns dos principais conceitos e estratégias que eu sofro ao abordar o problema de construir um sinal de negociação robusto e altamente eficiente para qualquer ativo dado at any frequency I also wanted to see if I could achieve similar results with the R MDFA package as my iMetrica software package The results ended up being nearly parallel except for some minor differences The main points I was attempting to highlight were in first analyzing the periodogram to seek out the important spectral peaks such as ones associate with close-to-open variations and to demonstrate how the choice of the cutoff affects the systematic trading Here s a quick recap on good strategies and hacks to keep in mind. Summary of strategies for building trading signal using MDFA in R. As I mentioned before, the periodogram is your best friend Apply the cutoff directly after any range of spectral peaks that you want to consider These peaks are what generate the trades. Utilize a choice of filter length no greater than 1 4 Anything larger is unnecessary. Begin by computing the filter in the mean-square sense, namely without using any customization or regularization and see exactly what needs to be approved upon by viewing the frequency response functions and coefficients for each explanatory series Good performance of the trading signal in-sample and even out-of-sample in most cases is meaningless unless the coefficients have solid robust characteristics in both the frequency domain and the lag domain. I recommend beginning with tweaking the smoothness customization parameter expweight and the lambdasmooth regularization parameters first Then proceed with only slight adjustments to the lambdadecay parameters Finally, as a last resort, the lambda customization I really never bother to look at lambdacross It has seldom helped in any significant manner Since the data we are using to target and build trading signals are log-returns, no need to ever bother with i1 and i2 Those are for the truly advanced and patient signal extractors, and should only be left for those endowed with iMetrica. If you have any questions, or would like the high-frequency Yen data I used in these examples, feel free to contact me and I ll send them to you Until next time, happy extracting. Taking a quick glance at the ldfxyinsamp data, we see log-returns of the Yen at every 15 minutes starting at m arket open time zone UTC The target data Yen is in the first column along with the two explanatory series Yen and another asset co-integrated with movement of Yen. So in your file in input you use the log close-returns twice col1 and 2 and a another asset. Can you tell me more about this another asset cointegred how you find it. While it s not so obvious to determine a set of explanatory variables that will improve signal and trading performance, I developed a tool called fundamental frequency component analysis that helps me choose series with strong lag s correlations at certain frequencies I m interested in The method seems to work pretty well so far in my experience. Thanks Chris, have you planned other thread in the coming weeks. Yes, I have many new ideas for articles, and will be writing one soon I ve been busy the past couple months improving the methodology even more, making it even more robust for financial trading The problem is I start to give away too many of my secrets and wil l eventually lose my competitive advantage, so I need to remain a bit cryptic. What your favorites time frame 15 mins i think.15 minutes is a good range, the lower the frequency the better and more robust the signal will be However, in practice I m currently using 5 min returns with a proprietary trading firm in Chicago on Index Futures. You filtre the time in your data You trade only of 13 30pm until 20pm. You overnight trade.

No comments:

Post a Comment